神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络用途极其广泛，本文采用神经网络算法用于金融领域量化选股策略。

神经网络原理

神经网络中最基本的成分是神经元模型，在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元的电位；如果某神经元的电位超过了一个“阈值”，那么它就会被激活，即“兴奋”起来，向其他神经元发送化学物质。下图为M-P神经元模型：

在这个模型中，神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理以产生神经元的输出。

理想中的激活函数是上图中的(a)阶跃函数，它将输入值映射为输出值“0”或“1”，显然“1”代表神经元兴奋，“0”代表神经元抑制，但由于其不连续，不光滑的性质，所以实际常用（b)Sigmoid函数作为激活函数。把许多个这样的神经元按一定的层次结构连接起来，就得到了神经网络。

基于神经网络的量化选股策略

策略思想：选取一些常用技术指标作为训练样本特征集，对于类别，如果未来20个工作日上涨幅度超过10%则标记为1，否则为-1，采用神经网络算法进行训练，预测结果为1且未持仓则买入，预测结果为-1且已持仓则卖出。

特征因子选取：本文采用神经网络算法解决有监督学习的分类问题，特征因子选取了2015-01-05那天上证50指数成份股的总市值，OBV能量潮，市盈率，布林线，KDJ随机指标，RSI相对强弱指标共6个指标。

数据标准化：数据标准化方法有很多，本文采用高斯预处理方法，即每个特征因子减去它对应的均值再除以它的标准差((x-x.mean)/x.std)。

关注“CDA人工智能学院”，回复“录播”获取更多人工智能精选直播视频！